2026-05-22
- Nuevos modelos probados: Qwen3.7 Max Se añadió cobertura de benchmark para Qwen 3.7 Max.
- Nuevas pruebas añadidas: Se añadió una nueva categoría de test Coding enfocada en la búsqueda de errores en soluciones C++.
AI BENCHY
Registro de cambios
Un registro simple de actualizaciones de producto y benchmark, agrupado por fecha. Lo usamos para anotar modelos recién probados, re-tests, cambios del benchmark y trabajo de UX/producto ya publicado.
2026-05-21
- Nuevos modelos probados: Gemini 3.5 Flash, Grok Build 0.1 Se agregó cobertura de benchmark para Google Gemini 3.5 Flash y xAI Grok Build 0.1.
- Corrección de error: Se eliminó la variante sin razonamiento no compatible de xAI Grok Build 0.1 después de que la validación del proveedor exigiera razonamiento.
2026-05-08
- Nuevos modelos probados: Gemini 3.1 Flash Lite Added benchmark coverage for Google Gemini 3.1 Flash Lite.
- Corrección de error: Reasoning chips and compare labels now recognize the minimal reasoning variant instead of falling back to auto.
- UX: Model pages now order sibling reasoning-variant chips from highest effort to lowest.
2026-05-06
- Nuevos modelos probados: Cobuddy Se añadió cobertura de benchmark para Baidu CoBuddy.
2026-05-01
- Nuevos modelos probados: Grok 4.3, Granite 4.1 8B Se añadió cobertura de benchmark para xAI Grok 4.3 e IBM Granite 4.1 8B.
2026-04-30
- Nuevos modelos probados: Owl Alpha Se añadió cobertura de benchmark para Owl Alpha.
2026-04-26
- UX: Se mejoró la posición móvil del desplegable de comparación, se ajustó el diseño de las páginas de modelo y se dividió el historial en fragmentos por modelo para cargar menos datos históricos.
- Corrección de error: El historial de ejecuciones ahora agrupa retests casi duplicados de la misma suite y muestra todas las ejecuciones públicas en una tabla comparativa directa en las páginas de modelo.
2026-04-25
- Nueva función: Se añadió telemetría de fiabilidad para registrar fallos de la API objetivo y de límite de tasa por separado de las respuestas incorrectas.
2026-04-24
- Nuevos modelos probados: DeepSeek V4 Flash, DeepSeek V4 Pro Se añadió cobertura de benchmark para DeepSeek V4 Flash y DeepSeek V4 Pro.
- Nuevos modelos probados: GPT-5.5 Se añadió cobertura de benchmark para OpenAI GPT-5.5.
- Corrección de error: Los enlaces de modelos del changelog ahora apuntan a páginas canónicas activas de modelos, y las páginas de modelo ahora enlazan entre variantes de razonamiento.
2026-04-23
- Nuevos modelos probados: inclusionai/ling-2.6-1t:free Se añadió cobertura de benchmark para InclusionAI Ling 2.6 1T Free.
- Nueva función: Historial de ejecuciones - Las páginas de modelo ahora muestran ejecuciones públicas históricas y una tabla comparativa de ejecuciones en paralelo. (Página de modelo de ejemplo)
- UX: La clasificación ahora admite paginación y filtros basados en URL, además de acciones directas de comparación desde la lista.
- Corrección de error: La búsqueda de la página principal, los conteos de filtros y el estado de la paginación ahora se mantienen coherentes en todo el conjunto de datos.
- Re-test: GLM 5.1 Se volvió a ejecutar la suite completa de benchmark y se limpió la instantánea pública del historial de ejecuciones de este modelo.
- Corrección de error: Se evitó que modelos no retestados recibieran un nuevo timestamp tested_at.
Página de changelog creada
Este changelog empezó después del lanzamiento, así que faltan algunas actualizaciones anteriores.
2026-02-15
- Lanzamiento inicial